动量（反转）因子解析-民生证券-20190306
由small_q创建，最终由small_q 被浏览 128 用户
报告摘要
（一） 主要内容
本篇报告首先对基础动量因子进行细致分析，发现基础动量存在较多不足并提出改进思路的二维矩阵，之后对每个改进维度的切入点、逻辑链条和改进方法进行详细阐述，最后测试了各个改进因子的提升效果。
（二 ） 基础动量刨析
- 1月动量头尾组合的信息比率最突出但换手率也更高；而3月动量各组合的区分度更明显。
- 基础动量的多空收益更多来源于空头部分的贡献。
- 将1月动量与3月动量做等权合成后，复合因子的有效性能得到明显提升。
（三 ） 改进动量的思路框架
- 从动量因子的特性出发，可将动量改进的整体思路归为二维矩阵，包含“度量-价格”、“度量-收益”、“过程-价格”和“过程-收益”四个细分维度。
（四 ） 改进动量的提升效果
- “度量-价格”维度中，中短期的HP因子有适当的提升效果。
- ”度量-收益” 维度中，MktAlpha因子与IndAlpha因子均有适当的提升效果。
- “过程-价格” 维度中，观察期为3月的Slope因子和PathLen因子均有略微的提升 效果
- “过程-收益”维度中，RankStd因子和CTHL因子均有大幅提升效果
风险提示
因子测试及分析基于历史数据建模得出，模型及推算过程存在一定局限性，不代表未来表现
目录
\n 
\
动量研究概况
（一）动量投资逻辑
动量投资认为资产过去 的表现会在未来得到延续，投资者会买入过去表现好的股票、卖出过去表现差的股票，通俗来说就是“追涨杀跌”。 这种简单的投资逻辑具有广泛适用性，在多个领域都被证明是有效的投资策略，例如股票动量、期货动量、商品动量等；而以不同源数据划分，则有基本面动量和价格动量；若从时空结构角度来看，动量策略又可分为时序动量（绝对动量）与截面动量（相对动量）。
学术界对 “股票横截面价格动量” 的研究由来已久，早在1993年就由Jegadeesh和Titman提出了相关概念。其后，众多学者对动量现象进行了更细致的研究，结果表明： 全球市场普遍存在动量效应，表现为短期反转、中期动量和长期反转的现象；而中国A股市场则在短期、中期、长期均有不同程度的反转效应，且中短期尤为显著 。
（二）动量改进
随着动量（如无特殊说明，本文提到的动量均指“价格动量”）被广泛地应用，投资者逐渐意识到动量策略的局限性，回溯中会发现收益缩水甚至是动量崩溃（Momentum Crash）。若是追根溯源，可依据动量源数据单一、构建方法粗糙等问题做出针对性改进，常见的思路如量价结合、趋势过滤、二次筛选等。
在翻阅动量因子改进的文献后，会发现相关研究并不缺乏也从未停歇，耳熟能详的有52周最高价、极端收益等。但在不断深挖细节的同时，我们也发现 目前缺乏对改进思路的框架性研究，而内容过于庞杂也为这类研究带来不小障碍。由此，我们将改进范畴框定在价格（收益）层面，尝试从更宏观视角对动量改进的思考维度、逻辑链条、具体方法和改进效果进行较为细致的梳理和测试。
（三）内容框架
本篇报告主要涉及两个部分：基础动量与改进动量。基础动量部分：对不同形成期的动量因子进行测试，依据因子表现和因子间关联合成为复合基础动量。改进动量部分：从不同维度出发并沿着各自的逻辑来构建改进因子，最终验证改进效果。
\n 
\
基础动量因子剖析
（一）因子构建与分析
\n 
\
（二）因子预处理
在因子预处理阶段，先采用较为稳健的MAD方法识别异常值并对其做缩尾处理，再以zscore方法得到标准化后的因子值。
此外，我们对因子的市值和行业的偏离程度做了初步统计，发现动量因子的最小组更偏向大市值而且各行业也存在不同程度的偏离，因此还需对因子采取中性化处理。具体是将每期的因子值对市值和行业做回归，得到的残差项作为中性化后的因子值。
\n 
单因子有效性检验分为两大部分：IC回测和分组回测。IC回测，主要是计算因子值与未来收益之间的相关性，得到IC（Information Coefficient）指标。IC指标可用于不同因子间比较，是一种简单、通用的因子有效性评价指标。分组检验，在每个调仓期依据因子值对股票进行分组，观察组合的累计收益、信息比率等绩效指标，以及各组合之间的单调性、区分度、相对收益等。
（1）IC计算
（2）分组回测设定
分组回测一般是在每个调仓日将因子值按升序/降序排列分为第1组~第5组，同时构建多空组合，得到各组合的累计净值曲线图。组合考察的指标包括：累计净值、年化超额收益率、信息比率和换手率。在后文的分组回测中，还做如下设定：
- 回测区间：2007年1月~2018年12月
- 调仓时点：每月最后一个交易日
- 基准：全市场等权组合
- 股票池：全市场股票（剔除退市、停牌、上市6个月内）
- 组合权重：等权
（四）因子回测表现
从各因子的整体表现来看，1月与3月表现最为突出。从中性化前后动量因子表现来看，中性化后的短期动量因子在IC上有小幅提升，而中长期动量因子则无明显变化，中性化后所有因子均在ICIR上有大幅提升。
进一步观察1月、3月动量因子的分组表现，两者均符合单调性，但靠近头部的组合（因子值小）之间更密集、靠近尾部的组合（因子值大）之间更稀疏。比较来看， 1月动量因子头尾组合的信息比率更突出但换手率也更高，而3月动量因子各组合间的区分度更明显。
\n 
因子的多空收益并非均等地来源于多头组合和空头组合，技术类因子普遍在空头组合上变现更为强势。我们以每期多、空组合相对市场基准组合的超额收益来计算贡献程度并转化为贡献比例。明显发现， 正向贡献中的空头部分（橙色区域面积）占据主导地位，说明动量因子空头组合的贡献力度显著高于多头组 合。
\n 
\
（五）因子合成与分析
\n 
\n 
对比合成前后的表现： 在总体指标方面，复合因子的IC和ICIR上均有不同程度的提升，复合因子的IC达到-8.85%、年化ICIR达到-2.65；在各时段的表现方面，合成因子的移动平均IC始终贴近入选因子中表现较优的一方。
\n 
前文分析大多围绕动量自身展开，我们试图进一步分析动量与其它大类风格因子的相关程度。具体而言，计算基础复合因子与大类风格因子的截面相关性，发现动量因子与技术类因子（Residual_Volatility和Liquidity）呈明显正相关、与价值类因子（Earnings_Yield和Book_to_Price）呈明显负相关。其中，动量因子与价值因子在大部分时间里呈低幅、稳定负相关，将两者相结合能实现分散化收益。
\n 
\
基础动量因子的改进逻辑
（一）整体改进思路
动量最明显的特点是“简洁明了”，这为其提供了多领域通用的优势，但也带来了不够细致的缺陷。 我们认为，基础动量忽略了度量方式和形成过程这两个层面的考量，而两者又都包含动量最本质的价格与收益这两个维度。因此，我们将动量改进的整体思路归为以下二维矩阵，具体包含“度量-价格”、“度量-收益”、“过程-价格”和“过程-收益”四个细分方向 。
\n 
\
（二）“度量方式”改进逻辑
回顾前文提到的动量因子构建公式，动量即是价格之比，亦是区间内总收益。我们从度量动量的公式出发并以价格和收益的视角，对度量的缺陷、改进思路和方法等方面作逐一阐述。
（1）“度量-价格”改进逻辑
动量因子的计算涉及两个价格信息：形成期前端收盘价与形成期末端收盘价。末端价格能表示最新期的价格信息，而前端价格仅由形成期的长度决定而没有明确的价格含义。因此，最直接的改进方式是找到有“代表性”的价格来替换原公式中的末端价格。参考行为金融学的相关理论，投资者存在锚定偏差（Anchoring Bias），即在投资决策过程中依赖于某一参考点（Reference Point），并且参考点具备三个明显特点：1 易懂；2 易获取；3 对投资有参考意义。结合常见的看盘界面，可见前期最高价、前期最低价、移动均价、持仓成本价等都能看作是有效的价格信息。
\n 
（2） “度量-收益”改进逻辑
动量因子计算了形成期内的总收益，而总收益只能作为股票过往表现的粗略评价。若是将每只股票都看作是一项产品，可以从行业视角、风险视角、因子视角等对股票收益做出更精确、全面的评价，具体指标可参考基金绩效评价体系。
\n 
\
（三）“形成过程”改进逻辑
通过直观观察发现，动量既是股价从形成期的前端到末端的价格演变，也是每日收益不断累积的结果。我们从形成过程出发并以价格和收益的视角，对刻画过程的缺陷、改进思路和方法等方面作逐一阐述。
（1）“过程-价格”改进逻辑
观察股价从形成期前端演变至末端的整个过程，动量因子实际是在计算由头到尾的位移大小（若固定时间长度，代表纵向的价格位移），而完全忽略演变过程的路径信息，即股价信息的利用率不足。显然可以充分利用各时点的股价信息，具体刻画路径的趋势、长度等各种属性。
（2） “过程-收益”改进逻辑
将整个形成期按一定时间粒度作切分并统计单位时间内的收益，能得到一列离散的收益序列。动量因子实际是对这一原始收益序列作简单累计，刻画了区间内收益总量的大小，但缺乏对形成期内其他性质的描述。我们可以采用更为丰富的统计方法来对收益序列做更丰富的刻画，例如连续性、波动性、极端程度等。
\n 
\
改进动量因子剖析
（一）改进因子研究方法
（1）因子处理与有效性
改进因子的处理流程和测试方法都遵循前文提到的相关方法，包括异常值处理、标准化、中性化和IC回测。
（2）残差因子
考虑到改进动量与基础动量在逻辑和构建上高度相关，我们会先对其进行正交化处理，得到的残差项作为残差改进因子。类似地计算该因子的有效性指标，用于观察改进因子的“增量信息”。
（3）复合因子
改进动量是由基础动量经一定改动得到，作为单个因子存在的意义不强。因此，在上述处理和检验的基础上将残差改进因子与基础动量因子结合成“复合因子”，便于直接观察改进因子的提升效果。另外，我们选择最通用的等权求和方法来实现因子复合。
（二）“度量-股价”改进因子
（1）举例1：高低价格
1. 因子逻辑与构建
2. 因子改进效果
从回测结果看，各期限的HP因子与LT因子在剥离基础动量后均显著，中长期的HT因子也比较显著，但LP残差因子基本无预测能力。复合效果方面，LT复合因子、HT复合因子与基础动量因子的表现基本持平； 而中短期的HP因子表现最为突出，1M HP复合因子、3M HP复合因子在IC与ICIR都有明显提升 。
\n 
（2）相关研究
我们整理了与“度量-股价”维度相关的文献资料，下表展示了主要的研究角度：
\n 
（三）“度量-收益”改进因子
（1）举例1：Alpha收益
1. 因子逻辑与构建
\n 
2. 因子改进效果
从回测结果看， MktAlpha因子与IndAlpha因子 的原始因子和残差因子都十分显著，并且复合因子上也有比较明显的提升效果。
\n 
（2）相关研究
我们整理了与“度量-收益”维度相关的文献资料，下表展示了主要的研究角度：
\n 
\
（四）“形成-股价”改进因子
（1）举例1：路径趋势
1. 因子逻辑与构建
2. 因子改进效果
从回测结果看，中短期Slope因子在剥离基础动量因子之后仍然显著，但 只有3M Slope复合因子在IC与ICIR上有小幅提升 。
\n 
\n 
（2）举例2：路径长度
1. 因子逻辑与构建
\n 
2. 因子改进效果
从回测结果看，原始PathLen因子没有体现出明显的预测能力，但剥离基础动量因子之后1M、3M的因子比较显著， 最终3M PathLen复合因子在IC与ICIR上有小幅提升 。
\n 
\n 
（3）相关研究
我们整理了与“价格-过程”维度相关的文献资料，下表展示了主要的研究角度： \n 
\
（五）“形成-收益”改进因子
（1）举例1：Rank 统计量
1. 因子逻辑与构建
在计算收益相关统计量时，通常采用原始收益率作为基础数据，我们尝试以收益Rank值替换原始收益。从信息量角度出发，收益率仅包含个股的时序信息而忽略截面上与其它个股的比较，收益率的绝对数值与相对排名均是投资者关注的信息；从数值角度出发，Rank后的统计量能在一定程度避免极端收益带来的影响。
因子具体构建方法上，首先在形成期内计算每日收益率截面的Rank值，然后再对每只个股形成期内时序的Rank收益值计算统计量。在统计量上，选择了二阶矩来刻画形成期内收益排名的离散或聚集程度，得到RankStd因子。此外，我们还生成了RetStd因子（基于收益率的二阶矩）用于对比。
2. 因子改进效果
从Std相关因子的回测结果看，收益二阶矩均对基础动量因子有明显的提升作用；而具体比较Rank处理前后的表现， RankStd因子的整体表现更优于RetStd因子，尤其中短期RankStd 复合因子最为强劲，IC接近11%、ICIR接近-1.10 。
[ 
（2）举例2：隔夜持续收益
1. 因子逻辑与构建
\n 
2. 因子改进效果
从隔夜收益相关因子的回测结果看， 收益区间的变动对基础动量因子有明显的提升作用 ，尤其是随观察期长度的变化，残差因子和复合因子的表现都比较稳定；而具体比较两种划分方式的表现， CTHL因子的整体表现要优于CTO因子。 \n 
（3）相关研究
我们整理了与“收益-过程”维度相关的文献资料，下表展示了主要的研究角度： \n 
\
总结与展望
动量改进的研究并不缺乏也从未停歇，对构建细节的探讨变得越发深入，但对整体思路的阐述却鲜有涉及。我们希望能弥补这种空白，一方面试图去梳理和建立改进思路的框架，尽可能将脑海中散落的碎片形成完整的体系；另一方面也试图去搜集各种改进的角度，为投资者带来更多的改进思路。而在研究思路上，主要从两个方面展开：一是改进逻辑的把握，二是改进效果的验证；我们需要以更宏观的视角重新审视因子逻辑，并从众多角度中找到那些能提供改进效果的因子。在因子构建方法上，我们尽力做到去繁留简、还原本质，希望能借此抛砖引玉、提供些许启发。
客观而言，我们对动量的研究仍处于尝试性探索中，还存在各方面不足。未来将进一步深入挖掘动量，期望在理解层面和改进层面取得更多突破。
参考文献
